[2018年最新整理]AlgorithmChapter2.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * 符号Θ 定义3 对于足够大的n，t(n)的上界和下界由g(n)的常数倍来确定，即： 记为t(n) ∈ Θ(g(n)) c2g(n) ≤ t(n) ≤ c1g(n)，c1,c2为常数 n2+3n+2∈Θ (n2) n(n-1)/2∈Θ (n2) 4n2+5 ∈Θ (n2) 【证明】 上界： 下界： 渐进符号的有用特性 定理 如果t1(n) ∈O(g1(n))并且t2(n) ∈O(g2(n))，则 t1(n)+ t2(n) ∈O(max{(g1(n), g2(n)}) 对于符号Ω和Θ，该定理也成立。 该定理表明：当算法由两个连续执行部分组成时，该算法的整体效率由具有较大增长次数的那部分所决定。 性质 4 理解 某些算法由两个以上的部分组成。该算法整体效率由具有最大增长率的部分决定（效率最差）。 例： 数组元素的查找算法（先排序后查找） 对数组元素排序 2. 顺序查找有序数组 T1 (n) = 0.5n(n-1) ∈Θ(n2) T2(n) = n ∈Θ(n) 算法的整体效率：T(n) ∈Θ(n2) 利用极限比较增长次数 前两种情况意味着t(n) ∈ O(g(n)) 后两种情况意味着t(n) ∈ Ω(g(n)) 第二种情况意味着t(n) ∈ Θ(g(n)) 【例】比较 0.5n(n-1) 和 n2 的增长率 或证明：0.5n(n-1)∈Θ(n2) 【例2】 【例3】 基本的效率类型 常量(1)、对数(logn)、线性(n)、nlogn、平方(n2)、立方(n3)、指数(2n)、阶乘(n!) 关于渐进时间效率： 注1 对规模较小的问题,决定算法工作效率的可能是算法的简单性而不是算法执行的时间。 注2 当比较两个算法的效率时,若两个算法是同阶的,必须进一步考察阶的常数因子才能辨别优劣。 非递归算法的数学分析 Example 1：讨论下面这个算法（从n个元素中查找最大元素问题）的效率。 算法 MaxElement(A[0..n-1] //求给定数组中的最大元素 //输入：实数数组A[0..n-1] //输出：A中的最大元素 maxval ?A[0] for i ? 1 to n-1 do if A[i] maxval maxval ? A[i] return maxval 考虑： 循环中的操作有比较和赋值，取哪一个作为基本操作？ 输入规模是多少？ 基本操作为：比较运算 输入规模就是数组长度n 算法的效率为： 分析非递归算法效率的通用方案 决定用那些参数作为输入规模的度量。 找出算法的基本操作。 检查基本操作的执行次数是否只依赖输入规模。 建立一个算法基本操作执行次数的求和表达式。 利用求和运算的标准公式和法则来建立一个操作次数的闭合公式，或者至少确定它的增长次数。 常用求和公式（更多：教材附录） 【例】检查数组元素是否唯一 算法 UniqueElement ( A[0...n-1] ) for i←0 to n-2 do for j←i+1 to n-1 do if A[ i ] = A[ j ] return false return true 输入规模：元素个数 n 基本操作：最内层循环的 比较 操作（无其他操作） 效率类别：有无最优、最差、平均效率？ 观察循环结束条件：若有相等元素，提前结束循环 —— 元素不唯一 最佳效率：开始两个元素相等。 Cbest(n) = 1 最差效率：没有相同元素或最后两个元素相等。这时，完成全部循环 比较次数 = 循环次数。下面分析 最差效率 Cworst(n) 平均效率：其他情况(略) i j 外层 i 循环范围：0 →n – 2 内层 j 循环范围：i + 1 → n - 1 建立增长函数 —— 基本操作次数与输入规模 n 的函数关系 【例】矩阵乘法的时间效率分析 给定两个方阵 A 和 B，根据矩阵乘法定义计算它们之乘积。 算法 MatrixMultiplication (A[0...n-1][0...n-1], B[0...n-1][0...n-1]) for i←0 to n-1 do // 行循环 for j←0 to n-1 do // 列循环 M[ i ][ j ]←0.0 // 积矩阵初始化 for k←0 to n